基于分层测量数据的高压变电站概率负荷预测方法.pdf

基于分层测量数据的高压变电站概率负荷预测方法唐旭辰，潮铸，段秦尉，苏炳洪，陈卉灿(广东电网有限责任公司电力调度控制中心，广东广州510000)摘要：近年来，电力系统中各级量测系统的不断升级与完善使得高压变电站负荷预测精准度的进一步提高成为可能。以高压变电站以及附属的中压出线、中压配变的多级负荷数据为基础，提出一种基于中压出线与中压配电的自下而上的概率负荷预测方法，分析结果的分布特性并完成负荷的累加。此外，为提高预测精度，采用概率预测方法对网损与测量误差造成的预测偏差展开修正。算例分析结果表明，所提方法的综合评价较优，不仅能得到高准确度的负荷点预测结果，还能划定更小的预测区间。关键词：分层测量数据；高压变电站；自下而上；概率负荷预测DOI：10.11930/j.issn.1004-9649.2022091100 引言负荷预测对于电力系统的运行控制至关重要，尤其在负荷调度、分布式发电系统电力消纳方面必不可少1-2，高压变电站的短期负荷预测根据历史负荷数据规律来进行未来时刻负荷预测。目前用于变电站短期负荷预测的模型主要为机器学习的各类模型，如长短期记忆网络3、卷积神经网络4、循环神经网络5以及深度置信网络6等。其中，循环神经网络能够准备描述输入与输出的数学关系，适合建立负荷模型；而长短期记忆网络为循环神经网络的变形，能够改善循环神经网络中存在梯度消失、梯度爆炸问题，目前被广泛应用于负荷预测7；此外，深度置信网络汲取局部趋势所含的有效信息，在短期负荷预测方面也有其优势。但现有方法仍存在一定问题。文献 8 在确定多重影响因素的前提下，提出基于深度置信网络的负荷预测模型，负荷预测精度得以提高，但模型缺乏自适应性。文献 9 针对最大负荷与最小负荷，采用人工神经网络模型展开预测，但该负荷模型无法做到逐时预测。文献 10 建立基于动态神经网络的日耗电量预测模型，但模型存在计算时间长、时效性差的问题。文献 11 采用径向基函数神经网络，考虑电价与用户响应的前提下，进行短期负荷预测，但模型中核函数在高维情形下存在映射能力不足的问题。文献 12 针对居民住宅用电负荷，建立长短期记忆网络预测模型，但模型存在训练过程繁复的缺点。随着储能与分布式发电的发展，负荷点预测中结果的不确定问题越来越突出13。因此，概率负荷预测应运而生，为量化负荷点预测中的不确定性，概率负荷预测14-15提出预测区间的概念，该负荷预测方法逐渐成为近年来负荷预测的热点。针对各种各样的负荷预测场景，多种改进方法被用来优化点预测与概率预测结果，但由于高压变电站负荷采集设备有限，预测所需的有效信息不足，直接基于高压变电站负荷数据预测效果不佳，精度无法得到保障16。本文提出了高压变电站概率负荷预测方法以解决上述问题。1 变电站负荷的自下而上短期概率预测框架1.1 数据基础高压变电站与用户之间电力系统的结构如图 1 所示。根据国家电网行业标准与地方电力公司技术资料绘制，负荷数据采集于 220kV 高压变电站、110kV 次级变电站与 10kV 中压配变。高压输变电可采集 2 类负荷数据。1）由高压变电站主变采集得到的总负荷数据，2）高压变收稿日期收稿日期：20220928；修回日期修回日期：20230629。基金项目基金项目：国家电网有限公司科技项目（kj-2019-028）。第第 56 56 卷卷 第第 8 8 期期中国电力中国电力Vol.56,No.8Vol.56,No.82023 2023 年年 8 8 月月ELECTRIC POWERAug.2023Aug.2023143电站出线负荷数据，每条出线的负荷数据等同于次级变电站的负荷数据。在图 1 中，220kV 高压变电站一般包含 18 条出线，110kV 次级变电站包含中压出线 18 条，中压出线包含 30 个中压配变。因此每个高压变电站一般包括上百条中压出线、上千座中压配变。但在实际工程建设过程中，出于安全裕量的考虑，每个高压变电站配属的中压出线一般不超过 100 条，中压配变约为1000 个。每条中压出线或中压配变电力供应的地域范围较小，往往其范围内的电力用户活动呈现一定的规律性，因此以此负荷数据为基础来完成高压变电站的负荷预测有助于提高预测精准度。受限于现实条件，并非任意一处的中压出线或中压配变负荷数据都可采集17-18，一般来说，中压出线负荷数据往往比中压配变负荷数据容易获取19-25。本文的负荷预测研究是以中国华东地区 2 座高压变电站及其附属的中压出线与中压配变展开的，其中变电站 A 附属的中压出线负荷数据具备采集条件，而其附属的中压配变不具备采集条件；变电站 B 附属的中压配变的负荷数据具备采集条件。针对数据采集的实际情况，本文提出了基于中压出线负荷数据或中压配变负荷数据的自下而上的高压变电站负荷预测框架。1.2 基于中压出线的自下而上的高压变电站负荷预测框架每座高压变电站所包含的中压出线不超过100 条，因此从计算时长方面考虑，即使对每条出线负荷进行预测也可接受。对于可采集到中压出线负荷数据的情形，可依次对每条中压出线负荷进行预测，最终汇总为高压变电站负荷。测量误差与网络损耗的存在使得所有中压出线负荷之和与高压变电站负荷之间存在偏差，因此，一个附属有 K 条中压出线的高压变电站其时刻 t 预测负荷值为 yhv,t=Kl=1 yl,t+a,t（1）yhv,t yl,ta,t式中：为高压变电站时刻 t 负荷预测值；为该高压变电站第 l 条中压出线时刻 t 的负荷预测值；为中压出线负荷之和与高压变电站负荷在时刻 t 的偏差，下文统称为累加误差。1.3 基于中压配变的自下而上的高压变电站负荷预测框架因为每个高压变电站附属约 1000 座中压配变，如对所有中压出线配变进行逐一预测，计算量大、耗时长。因此，在以中压配变的自下而上的高压变电站负荷预测框架中，首先要对中压配电负荷进行聚类，将同一类变化规律的负荷归为一类。本文采用 K-means 算法，模型输入为归一化的中压配变曲线的负荷数据，归一化的方法为ynormaliized,t=yoriginal,tmin(Yoriginal)max(Yoriginal)min(Yoriginal)（2）yoriginal,tynormaliized,tYoriginal式中：为原负荷曲线的第t个元素；为归一化后负荷曲线的第 t 个元素；为原负荷曲线的元素矩阵。高压输电变电站(220 kV)118 次级输电变电站(110 kV)11 000 中压配变(10 kV)负荷量测装置分布:(框内均指每个站点内)主变高压侧 12 个出线侧 118 个主变高压侧 12 个中压出线侧 118 个每个配电变电站 1 个每条中压出线可能会连接130 个中压配电变电站图 1 高压变电站与用户之间电力系统结构Fig.1 Power system structure between HV substation and users中国电力中国电力第第 56 56 卷卷144完成聚类后每一类负荷曲线具有类似的变化规律，将同一类中的所有曲线进行叠加，以达到减少计算时长的目的。接着将所有中压配变负荷累加得到高压变电站负荷。2 负荷概率分布与预测误差2.1 预测误差估计tyt yt任意时刻 t 预测误差可表示为负荷实际值与预测值 的差值表示，即yt=f(xt;w,b,)+t=yt+t（3）xt式中：为时刻 t 的输入向量；w 为隐藏层与输入层之间的权重矩阵；为隐藏层与输出层之间的权重矩阵；b 为阈值向量。td,tm,t预 测 误 差源 于 噪 声 误 差与 模 型 误 差，即t=m,t+d,t（4）在前馈神经网络模型中，模型误差主要来自初始化参数以及训练结束后的局部最优解。为估计模型误差的方差，在同一数据集下随机初始化B 个前馈网络来完成时刻 t 的负荷预测，则 B 个前馈网络的平均值为 yt=1BBh=1 yh,t（5）yt yh,t式中：称为负荷在时刻 t 的点预测值；为时刻 t 第 h 个前馈网络的预测值。2m,t模型误差的方差可估计为2m,t=1B1Bh=1(yh,t yt)（6）2d,t以历史数据为基础估计噪声方差为2d,t=1B1Bh=1(yt yh,t)2（7）2d,t根据上述新生成的训练集 Dd训练出前馈神经网络模型，继而预测数据的噪声方差。中压负荷预测的累加误差主要包含测量误差与网损。网损可视为模型误差，而测量误差则为噪声误差。测量误差引起了误差结果的不确定性，表现为随机波动。利用上文介绍的方法进行误 差 预 测，以 某 高 压 变 电 站 为 例，2019 年 至2021 年之间的 1095 天内该高压变电站负荷与其下中压出线负荷间的日前累加误差曲线，如图 2所示。不难看出，累加误差呈现出一定的规律性。为了量化预测累加误差的准确率，引入绝对百分比误差 M 作为评价指标，即M=100%NtestNtestt=1?AtAtAt?（8）AtAtNtest式中：为实际值；为预测值；为测试集数据数量。20151050负荷误差/MW00:0006:0012:0018:0024:00时刻平均值图 2 2019 至 2020 年日累加误差曲线Fig.2 Daily cumulative error curve from 2019 to 2020结果显示，1095 天中最小百分比误差值为6.07%，平均百分比误差值为 11.62%，该值与前馈神经网络负荷预测时一般情况的误差较接近，因此采用预测累加误差的方法优化负荷结果是具有可行性的。2.2 概率负荷预测神经网络因其非线性拟合的优点被广泛应用于负荷预测。针对负荷预测中的不确定性问题，本文提出一种基于前馈神经网络的概率预测方法，即以前馈神经网络模型为基础，利用同一历史时间的负荷数据多次预测未来同一时刻的负荷值，通过多次预测结果的概率分布分析得到预测的点估计值与区间。本文所采用的方法有别于传统的概率预测方法，概率预测得到的是参数化的预测分布，再通过参数化的预测分布累加得到高压变电站的概率分布。以统计学的方法获取获得中压负荷预测的概率分布结果。具体实现方式为：利用前馈神经网络完成未来中压负荷的 3000 次预测，整理得到预测值的分布情况。本文对于典型负荷变化与非典第第 8 8 期期唐旭辰等：基于分层测量数据的高压变电站概率负荷预测方法145型负荷变化的情形展开分析，典型负荷变化下曲线变化平缓、波动范围小，而非典型负荷变化情形下曲线急剧变化、波动范围大。典型负荷变化情形下的预测结果分布如图 3所示。图 3a)中红色曲线为 3000 次预测结果的均值，图右侧颜色带表示预测值出现的次数，大多预测结果处在预测平均值的附近。1 2001 000800600400200000:0006:0012:0018:0024:00时刻负荷/MW2.01.51.00.50a)预测结果b)预测结果高斯分布2.01.51.00.50负荷/MW02004006008001 000预测值个数00:00 时的预测值实际分布；00:00 时的拟合高斯分布；12:00 时的预测值实际分布；12:00 时的拟合高斯分布；22:30 时的预测值实际分布；22:30 时的拟合高斯分布次数图 3 典型负荷变化概率预测分布Fig.3 Probability prediction distribution of typicalload change通过对 3000 次预测结果的统计计算得到其均值与方差，得到预测结果的高斯分布。图 3b)为特定时间下的预测结果分布情况，图中圆点为统计出的高斯分布示意，而曲线则表示实际预测结果的分布。图中 3 个时间点下圆点与曲线基本重合，中压负荷的预测值分布基本满足高斯分布。非典型负荷变化概率预测分布如图 4 所示，在非典型负荷变化情形下，中压负荷的预测结果也符合高斯分布。1 2001 000800600400200000:0006:0012:0018:0024:00时刻负荷/MW2.01.51.00.50a)预测结果b)预测结果高斯分布2.01.51.00.50负荷/MW010050150200250300预测值个数00:00 时的预测值实际分布；00:00 时的拟合高斯分布；12:00 时的预测值实际分布；12:00 时的拟合高斯分布；22:30 时的预测值实际分布；22:30 时的拟合高斯分布图 4 非典型负荷变化概率预测分布Fig.4 Probability prediction distribution of atypicalload change3 概率负荷预测流程本文采用自下而上的负荷预测整体框架如图 5 所示，包括以下步骤。1）根据数据采集条件，确定从下而上的框架中采用中压配变负荷还是中压出线。如果中压配变负荷数据具备采集条件，进转入步骤 2）。如果仅仅中压出线数据具备采集条件，则转入步骤 3）。2）采用 K-means 聚类算法计算各类中压负荷总和。3）进行中压负荷的概率预测，得到预测负荷值的均值与方差。4）进行累加误差的预测，得到累加误差的均值与方差。5）利用步骤 3）与步骤 4）得到的中压负荷与累加误差的均值与方差，计算高压变电站的均中国电力中国电力第第 56 56 卷卷146值与方差，得到负荷的预测区间。4 算例分析本章根据 2021 年采集于某变电站的数据，组织了实际算例，用于测试基于中压出线负荷数据的预测框架。算例主要对比本文所提的方法与现有方法的结果，以论证本文方法的有效性与可靠性。算例中的中压出线数据由当地电力调度中心提供。案例为某变电站以及下辖的 56 条中压出线负荷数据为基础，所有中压出线的负荷均值约为1.217MW。4.1 高压变电站负荷预测分析选 取 某 变 电 站 夏 季 的 一 天（2021 年 7 月26 日）展开负荷预测，由于夏季负荷波动大，预测存在较大难度，因此能够更好地验证本文方法的有效性。2 个中压负荷的预测结果如图 6 所示，其中图 6a)为典型负荷变化类型，图 6b)为非典型负荷变化类型。结果显示，典型负荷变化类型的预测百分比误差值为 5.05%，平均绝对误差值为 0.0267。非典型负荷变化类型的预测百分比误差值 5.39%，平均绝对误差值为 0.286。整体预测误差较小，说明了本文所提方法在预测中压负荷时的有效性。表 1 为传统的预测方法与本文所提出的自下而上的预测方法的高压变电站负荷预测性能比较结果。传统的预测方法是指采用前馈神经网络的概率预测方法直接对高压变电站负荷进行预测。由结果可知，相比传统的预测方法，本文所提的预测方法具有更准确的点预测结果，百分比误差、均方根误差、平均绝对误差值显著降低，而相关系数分数值明显提升。在 90%置信区间的预测方面，本文所提方法的预测区间更加准确，平均覆盖误差在 0 附近，预测区间覆盖率值约为90%，而由平均预测区间宽度值可知本文所提方法相比传统的预测方法的负荷区间缩减了约 34.6%。表 1 自下而上的预测方法与传统方法预测结果性能比较Table 1 Performance comparison between bottom-upprediction method and traditional method方法点预测90%置信度的预测区间百分比误差/%平均绝对误差相关系数均方根误差平均覆盖误差/%预测区间覆盖率/%平均预测区间宽度本文传统方法2.432.460.840.310.4289.5815.123.963.920.550.557.9097.9023.11中压配变负荷数据中压出线负荷数据中压配变负荷聚类中压配变负荷预测分布的均值与方差均值累加方差累加高压变电站负荷点预测高压变电站负荷概率预测数据来源；中压配变聚类；中压负荷概率预测；高压变电站负荷预测的行程图 5 高压变电站负荷预测流程Fig.5 High voltage substation load forecastingflow chart00:001.251.000.750.500.25006:0012:00a)典型负荷18:0024:00时刻负荷/MW实际负荷值；预测负荷值00:007.56.04.53.01.5006:0012:00b)非典型负荷18:0024:00时刻负荷/MW实际负荷值；预测负荷值图 6 中压出线负荷的日前预测结果Fig.6 Daily forecast results of medium voltageoutgoing line load第第 8 8 期期唐旭辰等：基于分层测量数据的高压变电站概率负荷预测方法147图 7 为传统的预测方法与本文所提出的自下而上的预测方法的高压变电站负荷预测结果的对比。能够直观地看出，本文所提出的点预测的负荷曲线能够更准确地接近与贴合实际负荷曲线的变化趋势，且相比传统的预测区间，其预测区间也更窄。a)本文方法b)传统方法00:00130120110100908006:0012:0018:0024:00时刻负荷/MW1301201101009080负荷/MW实际负荷值；预测负荷值；预测区间实际负荷值；预测负荷值；预测区间00:0006:0012:0018:0024:00时刻图 7 两种方法的预测结果对比Fig.7 Comparison of prediction results of two methods4.2 累加误差对负荷的负荷影响分析为了分析引入累加误差辅助负荷预测的必要性，本节对比考虑累加误差与不考虑累加误差的预测结果，如表 2 所示。对比情形包含 3 种情况。表 2 考虑累加误差与否的负荷预测结果比较Table 2 Comparison of load forecasting resultsconsidering cumulative error or not方法点预测90%置信度的预测区间百分比误差/%平均绝对误差相关系数均方根误差平均覆盖误差/%预测区间覆盖率/%平均预测区间宽度一3.963.920.550.557.9097.9023.11二3.743.830.630.485.8395.8017.61三2.432.450.840.310.4289.5815.121）方法一为上文提到的传统的预测方法，即仅用概率神经网络模型预测高压变电站负荷。2）方法二采用本文提出的自下而上的预测框架，利用中压负荷数据来预测高压变电站数据，但不考虑累加误差。该方法由于忽略了采用中压负荷数据预测产生的附加误差，可以预见预测精度会受到影响。3）方法三采用本文提出的自下而上的预测框架，同时考虑了累加误差。由表 2 可知，方法三存在明显的优越性。点预测方面，方法三预测结果的百分比误差、平均绝对误差、均方根误差值相比方法一、二减小约30%，相关系数值也更高。对于置信区间为 90%的预测区间，方法三的平均覆盖误差值更接近0。此外，方法三的平均预测区间宽度更小，说明方法三的预测区间更窄。综上所述，考虑累加误差进行负荷预测能够显著提高预测精度。此外，由方法一与方法二的对比可知，方法二的指标更优，表明本文所提出的自下而上的预测框架的优越性。5 结语本文提出了一种利用电力系统中分层测量的负荷数据进行自下而上预测负荷的方法，在本方法中，分别计算得到中压负荷的概率预测结果与累加误差的概率负荷预测结果，最终通过累加的方式得出高压变电站的负荷预测值。在中压负荷的概率预测方面，验证了中压负荷预测的概率分布近乎为高斯分布，为中压负荷的累加提供了实现的可能。本文方法可为今后高压变电站的负荷预测提供综合性能更优的方法，能够为行业内电力调度与运行等提供精确参考。参考文献：张斌,庄池杰,胡军,等.结合降维技术的电力负荷曲线集成聚类算法 J.中国电机工程学报,2015,35(15):37413749.ZHANGBin,ZHUANGChijie,HUJun,et al.EnsembleclusteringalgorithmcombinedwithdimensionreductiontechniquesforpowerloadprofilesJ.ProceedingsoftheCSEE,2015,35(15):37413749.1中国电力中国电力第第 56 56 卷卷148李文武,石强,李丹,等.基于 VMD 和 PSO-SVR 的短期电力负荷多阶段优化预测 J.中国电力,2022,55(8):171177.LI Wenwu,SHI Qiang,LI Dan,et al.Multi-stage optimizationforecastofshort-termpowerloadbasedonVMDandPSO-SVRJ.ElectricPower,2022,55(8):171177.2李丹,张远航,李黄强,等.基于精准气象数据的地区电网短期负荷智能预测系统设计 J.中国电力,2022,55(7):128133.LIDan,ZHANGYuanhang,LIHuangqiang,et al.Designofashort-termloadintelligentforecastingsystemforregionalpowergridbasedonaccurateweatherdataJ.ElectricPower,2022,55(7):128133.3梁露,张智晟.基于多尺度特征增强 DHTCN 的电力系统短期负荷预测研究 J.电力系统保护与控制,2023,51(10):172179.LIANG Lu,ZHANG Zhisheng.Research on short-term loadforecasting of power system based on multi-scale featureenhancement DHTCNJ.Power System Protection and Control,2023,51(10):172179.4CAO Z J,WAN C,ZHANG Z J,et al.Hybrid ensemble deeplearning for deterministic and probabilistic low-voltage loadforecastingJ.IEEE Transactions on Power Systems,2020,35(3):18811897.5SHIH,XUMH,LIR.Deeplearningforhouseholdloadforecasting-a novel pooling deep RNNJ.IEEE Transactions on Smart Grid,2018,9(5):52715280.6狄曙光,刘峰,孙建宇,等.基于改进 ABC 和 IDPC-MKELM 的短期电力负荷预测 J.智慧电力,2022,50(9):7481.DIShuguang,LIUFeng,SUNJianyu,et al.Short-termpowerloadforecastingbasedonimprovedABCandIDPC-MKELMJ.SmartPower,2022,50(9):7481.7孔祥玉,郑锋,鄂志君,等.基于深度信念网络的短期负荷预测方法 J.电力系统自动化,2018,42(5):133139.KONG Xiangyu,ZHENG Feng,E Zhijun,et al.Short-term loadforecastingbasedondeepbeliefnetworkJ.AutomationofElectricPowerSystems,2018,42(5):133139.8李龙,魏靖,黎灿兵,等.基于人工神经网络的负荷模型预测 J.电工技术学报,2015,30(8):225230.LILong,WEIJing,LICanbing,et al.PredictionofloadmodelbasedonartificialneuralnetworkJ.TransactionsofChinaElectrotechnicalSociety,2015,30(8):225230.9MORDJAOUIM,HADDADS,MEDOUEDA,et al.ElectricloadforecastingbyusingdynamicneuralnetworkJ.InternationalJournalofHydrogenEnergy,2017,42(28):1765517663.10张智晟,于道林.考虑需求响应综合影响因素的 RBF-NN 短期负11荷预测模型 J.中国电机工程学报,2018,38(6):16311638,1899.ZHANG Zhisheng,YU Daolin.RBF-NN based short-term loadforecasting model considering comprehensive factors affectingdemand responseJ.Proceedings of the CSEE,2018,38(6):16311638,1899.KONGWC,DONGZY,JIAYW,et al.Short-termresidentialloadforecasting based on LSTM recurrent neural networkJ.IEEETransactionsonSmartGrid,2019,10(1):841851.12DING N,BENOIT C,FOGGIA G,et al.Neural network-basedmodeldesignforshort-termloadforecastindistributionsystemsJ.IEEETransactionsonPowerSystems,2016,31(1):7281.13WANGP,LIUBD,HONGT.Electricloadforecastingwithrecencyeffect:abigdataapproachJ.InternationalJournalofForecasting,2016,32(3):585597.14WANGY,XIAQ,KANGCQ.Unitcommitmentwithvolatilenodeinjections by using interval optimizationJ.IEEE Transactions onPowerSystems,2011,26(3):17051713.15CHENCS,TZENGYM,HWANGJC.Theapplicationofartificialneural networks to substation load forecastingJ.Electric PowerSystemsResearch,1996,38(2):153160.16LIR,GUCH,LIFR,et al.DevelopmentoflowvoltagenetworktemplatespartI:substationclusteringandclassificationJ.IEEETransactionsonPowerSystems,2015,30(6):30363044.17GUNGOR V C,SAHIN D,KOCAK T,et al.Smart gridtechnologies:communication technologies and standardsJ.IEEETransactionsonIndustrialInformatics,2011,7(4):529539.18QUILUMBAFL,LEEWJ,HUANGH,et al.UsingsmartmeterdatatoimprovetheaccuracyofintradayloadforecastingconsideringcustomerbehaviorsimilaritiesJ.IEEETransactionsonSmartGrid,2015,6(2):911918.19STEPHEN B,TANG X Q,HARVEY P R,et al.Incorporatingpractice theory in sub-profile models for short term aggregatedresidential load forecastingJ.IEEE Transactions on Smart Grid,2017,8(4):15911598.20WANGY,CHENQX,SUNMY,et al.Anensembleforecastingmethod for the aggregated load with subprofilesJ.IEEETransactionsonSmartGrid,2018,9(4):39063908.21熊军华,牛珂,张春歌,等.基于小波变异果蝇优化支持向量机短期负荷预测方法研究 J.电力系统保护与控制,2017,45(13):7177.XIONGJunhua,NIUKe,ZHANGChunge,et al.LSSVMinshort-termloadforecastingbasedonwavelettransformandmutantfruitflyoptimization algorithmJ.Power System Protection and Control,22第第 8 8 期期唐旭辰等：基于分层测量数据的高压变电站概率负荷预测方法1492017,45(13):7177.鲁宗相,李海波,乔颖.高比例可再生能源并网的电力系统灵活性评价与平衡机理 J.中国电机工程学报,2017,37(1):920.LU Zongxiang,LI Haibo,QIAO Ying.Flexibility evaluation andsupply/demand balance principle of power system with high-penetrationrenewableelectricityJ.ProceedingsoftheCSEE,2017,37(1):920.23周孝信,陈树勇,鲁宗相,等.能源转型中我国新一代电力系统的技术特征 J.中国电机工程学报,2018,38(7):18931904,2205.ZHOUXiaoxin,CHENShuyong,LUZongxiang,et al.TechnologyfeaturesofthenewgenerationpowersysteminChinaJ.ProceedingsoftheCSEE,2018,38(7):18931904,2205.24谢敏,邓佳梁,吉祥,等.基于信息熵和变精度粗糙集优化的支持向量机降温负荷预测方法 J.电网技术,2017,41(1):210214.XIEMin,DENGJialiang,JIXiang,et al.Coolingloadforecastingmethodbasedonsupportvectormachineoptimizedwithentropyand25variableaccuracyroughnesssetJ.PowerSystemTechnology,2017,41(1):210214.作者简介：作者简介：唐旭辰（1993），女，通信作者，硕士，工程师，从事电力系统运行控制，E-mail：；潮铸（1988），男，硕士，高级工程师，从事电力系统运行控制研究，E-mail：；段秦尉（1991），男，博士，高级工程师，从事电力市场、需求侧响应、新能源优化研究，E-mail：；苏炳洪（1985），男，硕士，工程师，从事电力系统运行控制研究，E-mail：；陈卉灿（1989），女，硕士，工程师，从事电力系统运行控制研究，E-mail：。（责任编辑杨彪）Probabilistic Load Forecasting Method of High Voltage Substation Based onHierarchical Measurement DataTANGXuchen,CHAOZhu,DUANQinwei,SUBinghong,CHENHuican(DispatchingandControlCenter,GuangdongPowerGridCo.,Ltd.,Guangzhou510000,China)Abstract:Inrecentyears,thecontinuousupgradingandimprovementofmeasurementsystemsatalllevelsinthepowersystemmakesitpossibletofurtherimprovetheaccuracyofloadforecastinginhigh-voltagesubstations.Basedonthemulti-levelloaddataofhigh-voltagesubstationanditsauxiliarymediumvoltageoutgoinglineandmediumvoltagedistributiontransformer,thepaperproposesabottom-upprobabilisticloadforecastingmethodbasedonmediumvoltageoutgoinglineandmediumvoltagedistribution,analyzesthedistributioncharacteristicsoftheresultsandcompletestheloadaccumulation.Inaddition,inordertoimprovethepredictionaccuracy,theprobabilitypredictionmethodisusedtocorrectthepredictiondeviationcausedbynetworklossandmeasurementerror.Theresultsofexampleanalysisshowthatthecomprehensiveevaluationoftheproposedmethodisbetter.Itcannotonlygethighaccuracyloadpointforecastingresults,butalsodelimitsmallerforecastingintervals.ThisworkissupportedbyScienceandTechnologyProjectofSGCC(No.kj-2019-028).Keywords:layeredmeasurementdata;highvoltagesubstation;bottomup;probabilisticloadforecasting中国电力中国电力第第 56 56 卷卷150